Upravljanje distribucijskega omrežja
Na letošnji Borzenovi konferenci s temo Kaj zeleni prehod prinaša občinam in občanom, gre za tradicionalni dogodek Trajnostna energija lokalno 2023, so podelili tudi nagrado za najboljše magistrsko delo s področja trajnostne energetike. Prejel jo je doktorski študent na Fakulteti za računalništvo in informatiko Univerze v Ljubljani Blaž Dobravec. Po primarni izobrazbi je matematik, za energetiko, zaposlen je v družbi Elektro Gorenjska, pa se je odločil zaradi intenzivnih sprememb na področju obdelave podatkov in digitalizacije. V magistrski nalogi se je lotil zelo aktualnega izziva, upravljanja distribucijskega omrežja z globokim spodbujevalnim učenjem. Bo to pomagalo, da se bo zmanjšalo število tistih lastnikov sončnih elektrarn, ki čakajo na dovoljenja za priključitev na distribucijsko omrežje? Kako pojasnjuje projekt Blaž Dobravec?
Kakšna je ideja vaše magistrske naloge?
Do ideje za magistrsko delo je pravzaprav prišlo zaradi vedno večjega izziva vključevanja distribuiranih obnovljivih virov v distribucijsko omrežje. Zaradi enormnega porasta proizvodnih naprav v kratkem času v elektrodistribucijskih omrežjih, predvsem pri končnih odjemalcih, lahko prihaja do težav s kvaliteto električne energije. Prav to je razlog za stopnjo zasičenosti omrežja, ki jo imamo danes. Glavna ideja algoritma, ki sem ga razvijal, je, da s pomočjo aktiviranja obstoječih aktivnih elementov omrežja, to so sončne elektrarne, hranilniki, toplotne črpalke, pri gospodinjskih odjemalcih izboljšamo napetostne razmere v omrežju. Z uporabo metod spodbujevanega učenja lahko model strojnega učenja naučimo, da čimbolj optimalno aktivira aktivne elemente omrežja. Mislim na to, da aktivira shranjevanje v hranilnik, zmanjša konično moč proizvodnje sončne elektrarne, ipd. Torej, da izboljša kvaliteto električne energije. S tem dosežemo večjo možnost vključevanja proizvodnjih naprav in večjih porabnikov.
Kje smo danes pravzaprav s prožnostjo?
Izvajanje prožnosti v distribucijskih podjetjih je v Sloveniji v večini na nivoju pilotnih projektov. Možnosti sodelovanja v sistemu prožnosti se že pojavljajo, v grobem pa se prožnost deli na dva sklopa. Prožnost za potrebe zmanjšanja preobremenitev, gre za delovno moč, in prožnost za izboljšanje kvalitete električne energije, to so napetosti. Prvi sklop je relativno enostavno rešljiv. V primeru, da je nek transformator preobremenjen, lahko kateri koli odjemalcev, ki se napaja preko tega transformatorja, enakovredno prispeva k zmanjšanju preobremenitve. Izboljšanje kvalitete električne energije je težje rešljiv problem. Problem slabe kvalitete električne energije je zelo lokalen problem, na primer samo nekaj hiš na koncu ulice. Ker aktivni elementi v omrežju z različnimi doprinosi izboljšajo kvaliteto električne energije, je potrebna pametna orkestracija aktivacij vseh aktivnih elementov v omrežju za najboljši rezultat.
Kaj sploh je spodbujevano učenje?
Spodbujevano učenje je metoda strojnega učenja, ki temelji na ideji: »Uspešno rešena naloga porodi nagrado. Neuspešno rešena naloge porodi kazen«. Spodbujevano učenja se uporablja pri najbolj znanih izzivih današnjega sveta. Uporablja se pri učenju avtonomne vožnje, pri učenju pogovornih robotov, kot so ChatGPT. Svetovno znana modela spodbujevanega učenja “Alpha-Zero” in “AlphaGo” sta premagala najboljše igralce iger šah in Go. Skratka, spodbujevano učenje je sicer že uveljavljen pristop k upravljanju dinamičnih sistemov, vendar pa je pri implementaciji največkrat izziv, kako pravilno usmerjati agenta, da se čim hitreje nauči akcij.
Kaj je vloga agenta?
Pri spodbujevanem učenju agent v okolju, mislim na simulacijski model omrežja z modeliranimi aktivnimi elementi v omrežju, izvaja akcije. Te njegova akcije so istočasno krmiljenje vseh hranilnikov, vseh sončnihe elektrarn. V primeru, da agent v okolju izvede dobro akcijo in je izboljšanje kvalitete električne energije ravno pravšnje, dobi nagrado. V nasprotnem primeru, če aktiviranje elementov ni bilo zadostno ali pa je bilo preveliko, pa je agent kaznovan. Agent je na začetku zelo naiven in najprej z naključnim poskušanjem izvaja naključne akcije. Po veliki količini izvedenih simulacij se agent nauči optimalnih akcij v vsakem trenutku.
Kako deluje prožnost v distribucijskih podjetjih?
Namen izvajanja prožnosti je v distribucijskih omrežjih predvsem zamik investicije v ojačanje omrežja in večja možnost vključitve novih proizvodnih virov. Na plastičnem primeru lahko sistem prožnosti predstavimo s pomočjo prometa. Tako kot so naše ceste na dan maksimalno obremenjene le kratek čas v dnevu, so tudi naša energetska omrežja maksimalno obremenjena le kratek čas dneva. Namesto da bi ojačali omrežje, to je zgradili nov pas in s tem povečali pretočnost našega omrežja, lahko v kritičnih trenutkih uporabimo prožnost aktivnih elementov, da odvečno energijo shranimo, jo zamejimo, uporabimo t.i. “car-sharing”, da zmanjšamo količino avtov na cesti v kritičnih obdobjih.
Kako se povežeta koncepta spodujevanega učenja in prožnosti?
Upravljanje omrežja s spodubjevanim učenjem trenutno deluje, tako da naučen agent izvede akcijo v simulacijskem okolju, to je digitalnem dvojčku, v katerem se akcija izvede in se preverijo rezultati. V primeru, da so rezultati smiselni, da je kvaliteta električne energije izboljšana in vrednosti krmiljenja posameznih aktivnih elementov smiselne, se zahteva po akciji pošlje agregatorju. V tem primeru je agregator posrednik, ki dejansko na terenu izvede te aktivacije. V našem pilotnem projektu je to GEN-i. Ko so akcije izvedene in je kvaliteta električne energije uspešno izboljšana, se obračunajo tudi cene. Za svojo aktivacijo so končni uporabniki in agregator kompenzirani.
Kje smo danes, kje bomo jutri?
Danes se algoritem, ki sem ga razvijal skozi magistrsko delo, nadgrajuje z različnimi varnostnimi in optimizacijskimi koraki, da bo v prihodnjem letu pilotno testiran v omrežju Elektro Gorenjske. Magistrsko delo smo v okviru Elektro Gorenjske skupaj s Fakulteto za Elektrotehniko in Fakulteto za Računalništvo in Informatiko prijavili tudi na ARRS (Javna agencija za raziskovalno dejavnost Republike Slovenije). Projekt je bil sprejet in ga razvijamo. Tak pristop bo na pilotnem območju ene transformatorske postaje omogočil, da poleg že obstoječih sončnih elektrarn vključimo še vsaj eno dodatno sončno elektrarno. Pilotni projekt bo na podlagi uspešne demonstracije služil kot odskočna deska, da se implementirajo sistemi, ki bodo te potrebe in zahteve po aktivacijah aktivnih uporabnikov v omrežjih, kjer se pijavljajo take zasičenosti omrežja, izračunavali avtomatizirano. Seveda pa se je potrebno zavedati, da gre za začasne ukrepe in bo ojačanje omrežja na velikem številu nizkonapetostnih omrežij še vedno potrebno, če bomo želeli vključiti masovne količine proizvodnjih naprav. V zadnjem času se namreč kaže bolj stroškovno učinkovit način zakup deleža skupnostne sončne elektrarne.
Se pri implementaciji takšnih sistemov pojavljajo tudi kakšni dodatni izzivi?
Pri izvajanju prožnosti moramo biti pazljivi, saj z vzpostavitvijo sistemov prožnosti v energetski sistem vpeljujemo določena tveganja, npr. zanesljivo delovanje sistemov, ki jih je potrebno obvladovati. Za nameček pa je uporaba algoritmov strojnega učenja, ki v svojem delovanju uporabljajo nam neintuitivne rezultate, lahko včasih težavna. Prav zaradi tega se danes razvijajo varnostni pristopi k uporabi takih algoritmov strojnega učenja, ki poskušajo razložiti akcije, ki jih agent izvaja zaradi povečanja zaupanja v njegovo delovanje. Kljub tveganjem pa je zaradi vseh prednosti, ki jih prinašajo aktivni uporabniki sistema, smiselno, da preidemo iz pasivnih distribucijskih omrežij k akivnim in dinamičnim omrežjem.
